| Aire attraction 200-700k | ||||||
|---|---|---|---|---|---|---|
| km par personne par an | ||||||
par actif
|
par adulte
|
|||||
| travail | travail | etudes | courses | autres | total | |
| km | ||||||
| très dense | 5 922 |
2 744 |
885 |
1 136 |
2 166 |
6 950 |
| densité intermédiaire | 8 334 |
4 084 |
1 395 |
1 736 |
3 049 |
10 265 |
| peu dense | 9 952 |
5 407 |
1 827 |
1 895 |
4 178 |
13 335 |
| très peu dense | 11 135 |
6 445 |
3 225 |
1 408 |
1 870 |
12 990 |
| total | 7 929 |
3 918 |
1 334 |
1 503 |
2 963 |
9 731 |
| relatif | ||||||
| très dense | 1 |
1 |
1 |
1 |
1 |
1 |
| densité intermédiaire | 1.4 |
1.5 |
1.6 |
1.5 |
1.4 |
1.5 |
| peu dense | 1.7 |
2 |
2.1 |
1.7 |
1.9 |
1.9 |
| très peu dense | 1.9 |
2.3 |
3.6 |
1.3 |
0.89 |
1.9 |
| total | 1.3 |
1.4 |
1.5 |
1.3 |
1.4 |
1.4 |
| Source : EMP 2019, 11.5M adultes (AGE>=18) dans la zone 3k observations dans EMP19 512 répétitions de rééchantillonage entre crochets : intervalle de confiance à 95% |
||||||
4 Déplacements pour le motif commerce
4.1 Proposition de méthode
L’évaluation des flux effectifs de mobilité professionnelle quotidienne repose sur la disponibilité d’une matrice origine destination très riche, disponible pour chaque année de recensement au niveau intercommunal, décrivant donc les flux de mobilité professionnelle quotidienne usuelle1 pour toute la France. Cette information est également disponible pour les mobilités scolaires. En revanche, pour les autres motifs de déplacement, on ne dispose pas d’un équivalent.
1 Et donc sans information de fréquence.
En particulier, le motif commerce est plus complexe à appréhender parce que les lieux de commerces sont nombreux, bien plus nombreux que les lieux d’étude ou de travail. Or le motif commerce est un élément important des mobilités. Le tableau 4.1 donne les valeurs agrégées moyenne pour un adulte en France hors Ile de France. Le motif « courses » représente 15% des kilomètres parcourus.
Nous proposons une méthode qui consiste à construire :
un indicateur de proximité pour chaque carreau de résidence. Cet indicateur est construit en analysant dans le voisinage de chqeu carreau (par exemple à 15 minutes de marche en retenant le seuil de la ville du quart d’heure) le nombre de commerces, leur diversité et leur taille. En agrégeant ces dimensions, on peut associer à chaque carreau un nombre qui résume la proximité des commerces. Les aménités (ici principalement des commerces ou des services aux ménages) sont connues à partir des fichiers fonciers et des codes utilisateurs NAF qui y sont renseignés. Ceci permet de décliner l’indicateur de proximité selon 4 grands types d’aménités (commerces alimentaires, commerces non alimentaires, sorties, santé humaine). Cet indicateur de proximité synthétise beaucoup d’informations géographiques, mais il n’est pas interprétable directement.
A partir de l’Enquête Certifiée CEREMA (EMC2), on peut identifier les comportements des ménages et les relier à l’indicateur de proximité. En effet l’EMC2 délivre une information de localisation assez fine, permet d’identifier les motifs et de repérer les caractéristiques socio économiques des individus. L’information de localisation correspond peu ou prou à la définition de l’IRIS graphique 4.1. Cette information ne permet pas de construire une matrice origine destination, c’est-à-dire une information comparable à la donnée du recensement MOPBRO, parce que l’EMC2 repose sur un échantillon insuffisamment représentatif à la maille de l’IRIS. Pour construire une matrice origine destination détaillée au niveau le plus fin, il faudrait un échantillon bien plus important. En injectant l’indicateur de proximité dans les zones de résidence de l’EMC2, on contourne ce problème d’échantillon.
On peut alors estimer des modèles économétriques reliant les distances parcourues et les fréquences aux différentes informations sur l’individu et sur la géographie de son lieu de résidence. Ce modèle peut alors être utilisé pour projeter ces comportements augmentés de la géographie au carreau 200m.
Le périmètre de l’EMC2 est plus large que celui de l’EPCI AMP. Nous limitons notre analyse de l’accès aux zones commerciales au périmètre de l’EPCI (AMP) et donc « oublions » les observations de l’EMC2 qui sont en dehors.
4.2 Construction d’un indicateur de proximité des aménités
4.2.1 Sources de données
La première étape est d’identifier les opportunités. Une des difficultés est la versalité des motifs commerciaux associés à la grande quantité de commerces disponibles sur le territoire. Nous proposons ici d’agréger les surfaces commerciales pour chaque carreau en distinguant 4 grandes catégories de commerce. Ces catégories reprennent, avec réinterprétation, le travail réalisé par l’AUPA2.
Notre source principale est celle des fichiers fonciers. Elle donne une information fine sur les secteurs utilisateur du local (code NAF à 5 caractères pour l’entreprise utilisatrice) dans lequel on peut distinguer un commerce de chaussure d’une pharmacie, une supérette d’une grande surface alimentaire. Ce sont des couches agrégées de commerces pour des types de ménages identifiés. Elle permet d’associer au commerce une surface (variable sprincp des fichiers fonciers).
2 Merci à Théo Shayer, Ludovic Verre et Luc Garnier pour nous avoir partagé leur méthodologie.
Nous classons les commerces en 4 catégories : alimentaire, commerces (non alimentaires), sorties, santé humaine.
La classification est indiquée dans le tableau 4.2. Par rapport aux choix de l’AUPA, nous avons considéré que les pharmacies étaient des commerces « ordinaires » et limité la notion de santé humaine aux cabinets médicaux (généralistes, spécialistes ou dentistes) en excluant les hôpitaux. Comme nous tenons compte de la surface, les hôpîtaux auraient dominé cette catégorie sans que cela ait vraiment du sens. Le but recherché est de quantifier l’usage habituel de la santé et donc la proximité de services de santé.
| NAF | Remarques | |
|---|---|---|
| Alimentaire | ||
| COMMERCE DE DETAIL EN MAGASIN NON SPECIALISE A PREDOMINANCE ALIMENTAIRE | 4711x | — |
| COMMERCE DE DETAIL EN MAGASIN SPECIALISE ALIMENTAIRE | 4721x; 4722x; 4723x; 4724x; 4725x; 4729x | — |
| Commerces | ||
| AUTRE COMMERCE DE DETAIL EN MAGASIN NON SPECIALISE | 4719x | — |
| AUTRE COMMERCE DE DETAIL (INFORMATIQUE TÉLÉCOM EQUIPEMENT FOYER BIENS CULT HABITS...) | 474x; 475x; 476x; 477x | inclut les pharmacies |
| COMMERCE SPECIALISE TABAC | 4726 | — |
| BLANCHISSERIE, COIFFURE, SOIN ET ENTRETIEN CORPOREL | 960xx | — |
| Sortie | ||
| RESTO CAFET' RAPIDE | 5610x | — |
| DEBIT DE BOISSON | 5630x | — |
| PROJECTION CINEMA | 5914x | — |
| Santé humaine | ||
| 8621 GÉNÉRALISTES, 8622 SPÉCIALISTES, 8623 DENTISTES | 862xx | exclut les hopitaux |
Les fichiers fonciers, bien que construit pour la perception d’une taxe comportent parfois des informations curieuses, pouvant laisser croire à un bruit. Par exemple, certaines surfaces commerciales sont très importantes (il existe des supérettes de plus de 100 000 m²) ou la notion de surface principale est parfois ambigue (comme le montre celle qui est retenue pour les campings). Nous utilisons donc avec prudence cette donnée en la limitant suivant certaines catégories. Ainsi, le tableau 4.3 donne les intervalles dans lesquels sont contraintes les surfaces principales.
| Code NAF | Minimum (m²) | Maximum (m²) | |
|---|---|---|---|
| COMMERCE DE DETAIL DE PRODUITS SURGELES | 4711A | 20 | 500 |
| COMMERCE D ALIMENTATION GENERALE | 4711B | 20 | 120 |
| SUPERETTES | 4711C | 120 | 400 |
| SUPERMARCHES | 4711D | 400 | 2500 |
| MAGASINS MULTI-COMMERCES | 4711E | 50 | 600 |
| HYPERMARCHES | 4711F | 2500 | 28200 |
Les sources alternatives aux fichiers fonciers sont :
- la base des équipements. A notre connaissance, depuis le changement de nomenclature dans la base des fichiers fonciers de 2018, les fichiers fonciers excluent les entités juridiques qui n’ont pas d’activité et cette modification rapproche la source équipement de la source fichiers fonciers.
- Des enquêtes sur les commerces, comme l’enquête BD COM 2020 à Paris, présentée par l’APUR. Ce type d’enquête est assez robuste car il repose sur des observations directes des surfaces commerciales ouvertes au public. En revanche, le champ géographique est habituellement trop limité (ici uniquement la commune de Paris). Nous n’avons pas connaissance d’une enquête comparable pour l’agglomération AMP.
- La base de données OpenStreetMap, en accès libre. Réalisée à partir d’une information participative, elle constitue une alternative simple à mobiliser3. Dans nos analyses préliminaires, elle recoupe assez bien les fichiers fonciers tout en illustrant certains problèmes d’identification (par exemple, des établissements considérés comme « supermarchés » dans les fichiers fonciers sont répertoriés comme épicerie dans OSM et les implémentations (taille du pâté de maison) donnent plutôt raison à OSM. C’est pour limiter cet effet que nous avons cappé les surfaces.
3 Elle contient des informations également sur les trafics illégaux (stupéfiants), ce qui peut être intéressant à exploiter.
Nous tenons compte enfin de la diversité des commerces à partir de l’information des fichiers fonciers. Par exemple, pour la catégorie fonctionnelle commerce nous agrégeons les surfaces commerciales, en les multipliant par un indice de diversité qui est minimum lorsqu’une seule espèce de commerce est présente et maximal lorsque toutes les espèces sont représentées. Ce type d’indicateur est souvent utilisé en écologie. Il permet donc de donner plus de poids à un bouquet diversifié de commerce totalisant 1 000 m² plutôt qu’à un unique commerce (un garage disons) de 1 000 m².
4.2.2 Formalisation
Formellement, l’indicateur de proximité des aménités \mathcal{A} est construit comme :
\mathcal{A}_c = \left( \sum_{j \in V_{15 \space min}(i), j\in J} {s_j^\alpha \times w_J^{1-\alpha}}\right)^\beta \times \sum_{j \in V_{15 \space min}(i), j \in J} {\frac {1}{w_J \times p_J^2}}
La première partie de l’indicateur \mathcal{A} est la somme des surfaces dans le vosinage de chaque carreau de résidents à moins de 15 minutes (en marchant ou en transport en commun). La seconde partie de l’indicateur permet de prendre en compte la diversité des commerces accessibles dans le voisinage. Le terme p_j est ainsi la part des commerces de la catégorie J (par exemple, parmi les commerces alimentaires, une boucherie, une poissonerie, une épicerie sont autant de catégories qui ont un code NAF à 5 caractères spécifiques). Le paramètre w_J accorde aux catégories un poids en diversité, permettant de compter les grandes surfaces alimentaires comme contribuant plus à la diversité qu’une surface commerciale spécialisée.
Le rôle des paramètres \alpha et \beta est de moduler l’expression \mathcal{A}_c. Plus \alpha est proche de 0, plus ce sont les commerces en tant qu’entité qui sont comptabilisés, indépendament de leur taille. Pour \alpha égal à 1, ce sont les m² de commerce qui comptent, une grande surface de 1 000 m² valant 100 fois plus qu’une échoppe de 10 m². Le paramètre \beta limite l’effet multiplicatif de la surface.
A ce stade, nous n’avons pas beaucoup d’éléments pour choisir les divers paramètres (w_i, \alpha, \beta). Nous avons fixé des valeurs a priori, afin de pouvoir étudier des variantes et évaluer la différence d’analyse produite. Nous verrons que l’indicateur est utilisé non pas en tant que tel, mais principalement par quantile, ce qui le rend insensible à des transformations monotones. L’heuristique consiste à choisir \alpha et w_i de façon à ce que les surfaces ne comptent pas trop. Si on considère un groupe de 6 commerces spécialisés de 100m², on souhaite que ces commerces soient comparables à un super marché de 2500m². En choisissant w_i = 6 pour le supermarché et \alpha = 0.25 la surface ajustée vaut 3,4 pour les 6 commerces et 4,2 pour le supermarché. Pour des commerces spécialisés de 50m², la surface ajustée serait de 3,1 et de 4,7 pour un hypermarché de 5000 m². Ce choix donne donc une importance modérée aux surfaces.
Le paramètre \beta est sélectionné de façon à égaliser les rapports inter-quantiles de la surface ajustée. Ceci conduit à donner un poids égal à la diversité et à la surface ajustée dans la surface équivalente. En changeant le paramètre \beta on peut modifier ce ratio.
Pour les différents super type de commerces, le tableau suivant résume le nombre d’espèce et quelques statistiques essentielles :
| Espèces pondérés | Espèces brutes | Nbr d'unités |
surface
|
|||
|---|---|---|---|---|---|---|
| 1er décile | médiane | 10e décile | ||||
| Alimentaire | 12 | 7 | 7502 | 25,0 | 79,0 | 855,9 |
| Commerces non alimentaires | 42 | 36 | 26520 | 21,0 | 55,0 | 280,0 |
| Santé humaine | 44 | 44 | 6080 | 17,0 | 63,0 | 167,0 |
| Bars, restaurants, cinémas | 5 | 5 | 5404 | 21,0 | 60,0 | 200,0 |
surface ajustée
|
diversité
|
surface équivalente
|
|||||||
|---|---|---|---|---|---|---|---|---|---|
| 1er décile | médiane | 10e décile | 1er décile | médiane | 10e décile | 1er décile | médiane | 10e décile | |
| Alimentaire | 3,8 | 9,5 | 27,0 | 3,5 | 7,7 | 10,7 | 16,3 | 72,8 | 274,9 |
| Commerces non alimentaires | 3,8 | 9,6 | 30,2 | 3,5 | 8,1 | 11,9 | 13,7 | 76,1 | 347,6 |
| Santé humaine | 2,6 | 7,8 | 23,3 | 1,8 | 4,4 | 6,9 | 5,0 | 35,8 | 144,7 |
| Bars, restaurants, cinémas | 1,7 | 3,8 | 11,2 | 1,0 | 2,1 | 2,8 | 1,7 | 8,4 | 29,3 |




